Spatial Statistics (1)

-

Statistik Spasial adalah segala teknik analisis untuk mengukur distribusi suatu kejadian berdasarkan keruangan (Scott & Warmerdam, 2006). Keruangan yang dimaksud disini adalah variabel yang ada di permukaan bumi seperti kondisi topografi, vegetasi, perairan, dll. Berbeda dengan statistik non-spasial yang tidak memasukkan unsur keruangan dalam analisisnya.  Dalam pengukuran distribusi suatu kejadian berdasarkan keruangan dibedakan berdasarkan dua kategori yaitu (Scott & Warmerdam, 2006):
  • Identifikasi Karakteristik dari suatu distribusi 
  • Kuantifikasi pola geografi dari suatu distribusi 
Pola distribusi spasial secara umum terbagi menjadi tiga (Briggs, 2007):

Pola Distribusi Spasial
(Source : Briggs, 2007)
Pola Distribusi Spasial
(Source : Google.com)


Jenis Analisis Statistik Spasial

Jenis Analisis Statistik Spasial
(Source :  Scott & Warmerdam, 2006)
  • General Spatial = Analisis Statistik Spasial Umum, sebagaimana halnya statistik non-spasial, memiliki fungsi deskripsi dasar seperti rerata (mean), median, mode dan standar deviasi untuk mendeskripsikan distribusi sebaran di permukaan bumi. ex : Mean center merupakan pusat gravitasi sebaran kasus TB yaitu pada koordinat X: 430539.07 dan Y: 9137709.98. Sedangkan Median center pada koordinat X: 430511.56 dan Y: 9137708.27. 
  • Intermediate Spatial = Salah satu fungsi Analisis Statistik Spasial Menengah yaitu Spatial relationship yang digunakan untuk mencari hubungan dua distribusi secara kuantitatif. Caranya dengan menguji kesamaan (similarity) antara dua sebaran. Jika dua distribusi menunjukkan persamaan pola, dapat diduga bahwa dua distribusi tersebut saling berhubungan, baik secara langsung atau tidak.
  • Expert Spatial = Statistik Spasial untuk Aplikasi Pemodelan Spasial  Indeks (berfungsi sebagai tools penentu batas kelas sebuah dan besar bobot pada sebuah parameter yang akan digunakan dalam model Indeks) dan Regresi spasial (berfungsi sebagai alat proses pemodelan berdasarkan hubungan input dan output, seperti : Y = a+bx)

Analisis Statistik Deskriptif

Analisis statistik deskriptif (termasuk dalam jenis general spatial) adalah statistik yang digunakan dalam menganalisis data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul. Menurut Ghozali (2009) analisis ini bertujuan untuk memberikan gambaran atau mendeskripsikan data dalam variabel yang dilihat dari nilai rata-rata (mean), minimum, maksimum dan standar deviasi. Statistik deskriptif adalah statistika yang digunakan dalam mendiskripsikan data menjadi informasi yang lebih jelas serta mudah dipahami yang memberikan gambaran mengenai penelitian berupa hubungan dari variabel-variabel independen yang diproksikan. Analisis Statistik Deskriptif dibagi menjadi unvariate (satu variabel) dan Bivariate

Unvariate
(Source : PPT Pak Arifin)
Bivariate
(Source : PPT Pak Arifin)

Uji Asumsi Klasik

  • Uji Normalitas = Uji normalitas digunakan untuk apakah data terdistribusi normal atau tidak, dengan menggunakan grafik. Normal tidaknya data dapat dideteksi juga level plot grafik histogram. Uji normalitas dengan 38 menggunakan alat uji analisis metode Kolmogorov Smirnov.
  • Uji Multikoloniretas = Untuk mendeteksi ada tidaknya multikoliniearitas dalam model regresi diilakukan dengan melihat nilai tolerance dan nilai Variance Inflation Factor (VIF) yang dapat dilihat dari output SPSS, dengan hasil sebagai berikut: (1) Jika nilai tolerance > 10 persen dan nilai VIF < 10, maka dapat disimpulkan bahwa tidak ada multikolineritas antar variabel bebas dalam model regresi. (2) Jika nilai tolerance < 10 persen dan nilai VIF > 10, maka dapat disimpulkan bahwa ada multikolinaeritas antar variabel bebas dalam model regresi
  • Uji heteroskedasitas = Untuk mendeteksi adanya heteroskedastisitas dilakukan dengan melihat grafik plot antara nilai prediksi variabel terikat (ZPRED) dengan residualnya (ZRESID), jika tidak ada pola tertentu serta titik– titik menyebar di atas dan di bawah angka nol pada sumbu Y, maka tidak terjadi heteroskedastisitas.
  • Uji Autokorelasi = Bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1. Nilai ini adalah nilai uji autokorelasi yaitu interdepensi antar residual ƥres =0. Nilai d ini  kemudian dibandingkan dengan nilai statistic Durbin Watson. Dalam penelitian ini untuk mengetahui apakah terjadi autokorelasi atau tidak maka dilakukan identifikasi dengan menggunakan Uji Durbin Watson, Menurut Winarno (2011:528) apabila nilai Durbin Watson berada di antara 1,54 dan 2,46 maka tidak ada autokorelasi. 

SOURCE : 

PPT Pak Arifin

Nasution, L. M. (2017). Statistik Deskriptif. Hikmah, 14(1), 7.

Muhson, A. (2006). Teknik Analisis Kuantitatif. Universitas Negeri Yogyakarta. Yogyakarta.

Scott, L.M & Warmerdam, N., 2006. Spatial Statistics for Public Health and Safety. ESRI.

Komentar

Posting Komentar

Postingan populer dari blog ini

Uji Rerata (BNT, BNJ, Duncan)

-
Gambar
Uji BNT Uji BNT merupakan prosedur pengujian perbedaan diantara rata-rata perlakuan yang paling sederhana dan paling umum digunakan. Metode ini diperkenalkan oleh Fisher (1935), sehingga dikenal pula dengan Metoda Fisher’s LSD (Least Significance Difference). Untuk menggunakan uji BNT, atribut yang kita perlukan adalah nilai kuadrat tengah galat (KTG), taraf nyata, derajat bebas(db) galat, dan tabel t-student untuk menentukan nilai kritis uji perbandingan  (Susilawati, 2015) .  Uji BNT menguji perlakuan secara berpasang – pasangan, misalkan jika terdapat 6 perlakuan yang akan dibangdingkan berarti terdapat pasangan pengujian dimana setiap pasangan memiliki peluang galat jenis I sebesar . Berarti semakin banyak jumlah perlakuan yang akan dibandingkan akan mengakibatkan kesalahan yang harus ditanggung juga semakin besar. Oleh karena itu, BNT akan sangat sensitive terhadap perbedaan yang muncul dalam perlakuan karena kriteria pemisahan perlakuan tidak terlalu ketat. Umunya, perlakuan
Baca selengkapnya

RPT dalam RAL dan RAK (2 Pertemuan)

-
Gambar
Rancangan split plot design atau dalam bahasa Indonesia disebut Rancangan Petak Terpisah atau Rancangan Petak Terbagi (RPT) merupakan jenis percobaan faktorial (lebih dari satu faktor). Rancangan ini dicirikan oleh adanya petak utama dan anak petak.  Split Splot Design merupakan percobaan faktorial atau dengan kata lain setiap percobaan yang menggunakan split splot design pasti faktorial, tetapi setiap percobaan faktorial tidak selalu split splot design. Rancangan ini digunakan bagi percobaan-percobaan yang dimaksudkan untuk menyelidiki pengaruh-pengaruh utama dan interaksi dengan derajad ketelitian yang tidak sama (Hanafiah, 2001). Faktor dengan derajad ketelitian yang lebih rendah disebut sebagai faktor utama (main plot faktor), sedangkan faktor dengan ketelitian yang lebih tinggi disebut faktor anak petak (sub plot faktor). Rancangan ini dapat diaplikasikan pada semua rancangan lingkungan (RAL, RAK, dan RBSL). Model Matematika RPT (Source: Nugroho, 2008) Kondisi untuk RPT 
Baca selengkapnya

Rancangan Acak Lengkap (RAL)

-
Gambar
  Rancangan acak lengkap (RAL) merupakan jenis rancangan percobaan yang paling sederhana.  Rancangan acak lengkap merupakan jenis rancangan percobaan dimana perlakuan diberikan secara acak kepada seluruh unit percobaan. Hal ini dapat dilakukan karena lingkungan tempat percobaan diadakan relatif homogen sehingga media atau tempat percobaan tidak memberikan pengaruh berarti pada respon yang diamati (Sastrosupadi,2000).  Dalam Rancangan ini tidak terdapat lokal kontrol, sehingga sumber keragaman yang diamati hanya perlakuan dan galat. Hanafiah (2001) menyatakan bahwa kondisi homogen umunya dicapai di ruang-ruang terkontrol seperti di laboratorium dan rumah kaca (green house). Namun, demikian pada kondisi tertentu, seperti penelitian tentang erosi, karena penonjolan pengaruh-pengaruh perlakuan terhadap erosi yang terjadi dan kisaran erosi yang terjadi umunya lebar, maka mesipun kondisi heterogen di lapangan tidak diperlukan adanya lokal kontrol, sehingga RAL untuk kasus semacam ini dapa
Baca selengkapnya